Tema, pregunta e hipótesis

Row

Tema de investigación

¿Quiénes están realmente ganando la “guerra contra las drogas”?

Este dashboard analiza cómo las características institucionales (democracia y corrupción) y socioeconómicas (población y número de ingresos económicos) de los países se relacionan con el nivel de incautaciones de drogas registradas en 2023. El objetivo es ir más allá del discurso político y observar los datos comparados para entender en qué contextos estatales se registran más o menos incautaciones.


Pregunta de investigación

¿En qué medida los factores socioeconómicos (número de ingresos económicos del país) y políticos (democracia y corrupción), controlando por población, explican el nivel de incautaciones de drogas (kilos incautados) a nivel global en el año 2023?


Hipótesis

  • H1 – Institucional
    Los países con mayor nivel de democracia y menores niveles de corrupción, controlando por población, registran más incautaciones de drogas, porque cuentan con instituciones más transparentes y capaces de detectar, decomisar y reportar el narcotráfico.

  • H2 – Económica
    Los países con mayor número de ingresos económicos presentan mayor volumen de incautaciones, ya que disponen de más recursos materiales y humanos para perseguir, controlar y registrar estas actividades ilícitas.

  • H0 – Nula
    El número de ingresos económicos, la democracia y la corrupción, controlando por población, no explican de manera significativa el nivel de incautaciones de drogas entre países.

Variable dependiente

Row

Incautaciones de drogas (variable dependiente)

La variable dependiente del estudio es el nivel de incautaciones de drogas por país en 2023, medido como el total de kilos incautados y registrado en la base de datos como kilos_totales.

Esta variable se interpreta como un indicador del desempeño estatal frente al narcotráfico: refleja tanto la presencia de mercados ilegales como la capacidad de las instituciones para detectar, decomisar y registrar oficialmente las incautaciones (UNODC, 2023).

Descripción estadística de la variable dependiente
Variable N Min Q1 Mediana Media Q3 Max SD
Kilos totales incautados (kg) 115 0.03 1338.12 13413.29 349148.6 124796.6 9151002 1292942

Distribución de kilos totales incautados

Variables independientes y de control

Column {data-width=500}

Número de ingresos económicos

La primera variable independiente es el número de ingresos económicos del país (Ningresos), construida a partir de la información del Banco Mundial. Esta variable resume la capacidad económica de los países y se usa como aproximación al nivel de recursos disponibles para financiar políticas públicas, incluida la lucha contra el narcotráfico.

Distribución de la variable Ningresos
Nivel_ingreso Frecuencia Porcentaje
Ingreso alto 55 32.2
Ingreso mediano alto 45 26.3
No clasificado 2 1.2
Países de ingreso bajo 24 14.0
Países de ingreso mediano bajo 45 26.3

Democracia

La segunda variable independiente es el índice de democracia (democracia), tomado del Democracy Report 2023 de V-Dem. Valores más altos indican mayor calidad democrática en términos de competencia electoral, participación y libertades civiles.

Descripción estadística de la variable democracia
Variable N Min Q1 Mediana Media Q3 Max SD
Índice de democracia 171 0.01 0.26 0.51 0.5 0.74 0.92 0.26

Corrupción

La tercera variable independiente es el índice de corrupción (corrupcion), basado en el Corruption Perceptions Index 2023 de Transparency International. Valores más altos indican menor corrupción percibida en el sector público; valores bajos sugieren contextos más corruptos.

Descripción estadística de la variable corrupción
Variable N Min Q1 Mediana Media Q3 Max SD
Índice de corrupción 171 11 28.5 39 42.72 53.5 90 18.73

Población (variable de control)

La variable de control es la población total del país (poblacion), tomada de las estimaciones del Banco Mundial. Se incluye para capturar efectos de escala: es esperable que, a mayor número de habitantes, haya más incautaciones en términos absolutos, independientemente de la calidad institucional o del nivel de ingresos.

Descripción estadística de la variable de control: población
Variable N Min Q1 Mediana Media Q3 Max SD
Población (habitantes) 171 119773 3429236 10536632 46317625 34485958 1438069596 158893269

Column {data-width=500}

Gráfico de niveles de ingreso

Gráfico índice de democracia

Gráfico de Corrupción

Gráfico de Población

Relación de la variable dependiente con las variables explicativas

Column {data-width=500}

Kilos incautados vs número de ingresos económicos

En este gráfico de cajas y bigotes se observa cómo varían los kilos totales incautados según el nivel de ingresos económicos del país (Ningresos). En todos los grupos de ingreso la mayoría de observaciones se concentran en valores relativamente bajos (las cajas cercanas al cero), pero la dispersión y la presencia de valores extremos cambia según el nivel de ingresos. Los países de ingreso mediano alto y de ingreso mediano bajo presentan cajas más altas y bigotes más largos, lo que indica tanto una mediana como un rango intercuartílico mayores, es decir, en estos estratos se registran en promedio más kilos incautados y una variabilidad más amplia. Además, en estos mismos grupos se observan varios valores atípicos que superan con creces el resto de observaciones, alcanzando varios millones de kilos incautados, lo que sugiere la existencia de unos pocos países que concentran incautaciones de gran escala. En contraste, los países de ingreso alto y los no clasificados muestran cajas más comprimidas y cercanas al eje horizontal, con menos puntos extremos y sin incautaciones tan voluminosas como las observadas en los grupos de ingreso mediano. Esto sugiere que, aunque hay incautaciones en todos los niveles de ingreso, los volúmenes más altos y dispersos se concentran principalmente en países de ingreso mediano.

Kilos incautados vs democracia

En este gráfico de dispersión se observa la relación entre los kilos totales incautados y el índice de democracia del país (democracia). Cada punto representa un país en un año determinado. La mayoría de observaciones se concentran en valores relativamente bajos de incautaciones, cercanos a cero, a lo largo de casi todo el rango del índice de democracia. Sin embargo, aparecen algunos valores extremos (puntos muy altos en el eje vertical) que corresponden a países con volúmenes de incautación excepcionalmente elevados.

La línea de regresión ajustada muestra una pendiente ligeramente negativa, lo que sugiere que, en promedio, a medida que aumenta el nivel de democracia, los kilos incautados tienden a disminuir levemente. No obstante, la nube de puntos es bastante dispersa y la mayoría de valores se agrupa cerca del eje horizontal, por lo que la relación parece ser débil y fuertemente influida por unos pocos casos con incautaciones muy altas, especialmente en países con índices de democracia bajos o intermedios. En conjunto, el gráfico indica que no existe una asociación lineal fuerte entre democracia y kilos incautados, aunque se insinúa una tendencia a mayores volúmenes de incautación en contextos menos democráticos.

Kilos incautados vs corrupción

En este gráfico de dispersión se explora la relación entre los kilos totales incautados y el índice de corrupción (CPI). Cada punto representa un país en un año determinado. En el eje horizontal se ubica el valor del CPI (donde puntajes más bajos suelen asociarse con mayor corrupción percibida y puntajes más altos con menor corrupción), mientras que en el eje vertical se muestran los kilos totales incautados. La mayoría de observaciones se concentran cerca del cero en el eje vertical, lo que indica que, para la gran parte de los países, los volúmenes anuales de incautación son relativamente bajos, independientemente del nivel de corrupción.

Sin embargo, se observan varios valores extremos en la parte superior del gráfico, especialmente en el tramo de CPI bajo y medio (aprox. entre 15 y 40 puntos), donde algunos países registran incautaciones de varios millones de kilos. La línea de regresión ajustada presenta una pendiente negativa, lo que sugiere que, en promedio, a medida que aumenta el valor del CPI (es decir, cuando la corrupción percibida es menor), los kilos incautados tienden a disminuir ligeramente. No obstante, la nube de puntos es bastante dispersa y la mayor parte de la variación está determinada por unos pocos casos con incautaciones muy altas, por lo que la relación entre corrupción e incautaciones parece ser débil y heterogénea: los mayores volúmenes de incautación tienden a concentrarse en países con niveles más altos de corrupción percibida, pero no de manera uniforme en todos los casos.

Kilos incautados vs población

Finalmente, se muestra la relación entre los kilos totales incautados y la población total del país (poblacion), que aquí actúa como variable de control. Cada punto representa un país en un año determinado. La nube de puntos revela que la mayoría de observaciones se concentra cerca del origen del gráfico: países con poblaciones relativamente pequeñas o medianas y con volúmenes de incautación bajos, cercanos a cero. Esto sugiere que, en la mayor parte de los casos, el aumento de la población no se traduce automáticamente en incautaciones muy elevadas, sino que la mayoría de países, independientemente de su tamaño, registra cantidades moderadas de droga incautada.

La línea de regresión presenta una pendiente positiva, lo que indica que, en promedio, los países con mayor población tienden a registrar más kilos incautados. No obstante, la relación visual es débil y está fuertemente condicionada por algunos valores extremos: por un lado, países de población relativamente baja que aparecen con incautaciones muy altas; por otro, países muy poblados que también presentan volúmenes de incautación superiores al resto. En conjunto, el gráfico sugiere una asociación positiva pero poco lineal entre población e incautaciones, lo que justifica tratar la población como variable de control para distinguir el efecto del “tamaño del país” de otros factores institucionales o estructurales analizados en el estudio.

Column {data-width=500}

Gráfico de Kilos incautados y número de ingresos

Gráfico kilos incautados vs democracia

Gráfico de Kilos incautados y corrupción

Gráficos Kilos incautados y población

Regresión lineal

Column {data-width=500}

Modelos de regresión lineal

Aquí se presentan los tres modelos lineales estimados, donde la variable dependiente es el total de kilos incautados (kilos_totales) y las variables explicativas son democracia, corrupción, población y número de ingresos económicos.

Regresión 1

Modelo base con democracia y población como predictores de los kilos totales incautados.


Call:
lm(formula = kilos_totales ~ democracia + poblacion, data = DATA)

Residuals:
     Min       1Q   Median       3Q      Max 
-1621638  -343594  -245293  -172859  8814220 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)
(Intercept)  4.873e+05  3.225e+05   1.511    0.134
democracia  -3.280e+05  5.121e+05  -0.641    0.523
poblacion    8.364e-04  6.427e-04   1.301    0.196

Residual standard error: 1290000 on 112 degrees of freedom
  (56 observations deleted due to missingness)
Multiple R-squared:  0.02182,   Adjusted R-squared:  0.004355 
F-statistic: 1.249 on 2 and 112 DF,  p-value: 0.2907

Regresión 2

Modelo que añade la variable de corrupción como factor institucional adicional.


Call:
lm(formula = kilos_totales ~ democracia + corrupcion + poblacion, 
    data = DATA)

Residuals:
     Min       1Q   Median       3Q      Max 
-1223676  -454991  -277445   106493  8332844 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)   
(Intercept)  7.686e+05  3.294e+05   2.333   0.0214 * 
democracia   1.232e+06  7.516e+05   1.639   0.1041   
corrupcion  -2.570e+04  9.285e+03  -2.768   0.0066 **
poblacion    1.038e-03  6.287e-04   1.652   0.1014   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1253000 on 111 degrees of freedom
  (56 observations deleted due to missingness)
Multiple R-squared:  0.085, Adjusted R-squared:  0.06027 
F-statistic: 3.437 on 3 and 111 DF,  p-value: 0.0194

Regresión 3

Modelo completo que incorpora, además, el número de ingresos económicos del país.

[1] "Países de ingreso bajo"         "Ingreso mediano alto"          
[3] "Países de ingreso mediano bajo" "Ingreso alto"                  
[5] "No clasificado"                

Call:
lm(formula = kilos_totales ~ democracia + corrupcion + poblacion + 
    Ningresos, data = DATA)

Residuals:
     Min       1Q   Median       3Q      Max 
-1205697  -468497  -281268   104454  8290576 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)  
(Intercept)  5.979e+05  4.752e+05   1.258   0.2111  
democracia   1.260e+06  8.316e+05   1.515   0.1327  
corrupcion  -2.491e+04  1.147e+04  -2.172   0.0321 *
poblacion    9.930e-04  6.419e-04   1.547   0.1248  
Ningresos2   1.811e+05  4.283e+05   0.423   0.6732  
Ningresos3   1.940e+05  4.146e+05   0.468   0.6408  
Ningresos4   7.169e+04  5.990e+05   0.120   0.9049  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1269000 on 108 degrees of freedom
  (56 observations deleted due to missingness)
Multiple R-squared:  0.08771,   Adjusted R-squared:  0.03703 
F-statistic: 1.731 on 6 and 108 DF,  p-value: 0.1207

Column {data-width=500}

TABLA 1

Regresion: modelo 1
 TABLA (I)
(Intercept) 487273.378
(322540.253)
democracia -328022.714
(512131.531)
poblacion 0.001
(0.001)
Num.Obs. 115
R2 0.022
R2 Adj. 0.004
AIC 3567.5
BIC 3578.5
Log.Lik. -1779.737
RMSE 1273185.16
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

TABLA 2

Regresion: modelo 2
&nbsp;apropiacion (II)
(Intercept) 768612.874*
(329420.226)
democracia 1231562.466
(751609.944)
corrupcion -25704.937**
(9285.152)
poblacion 0.001
(0.001)
Num.Obs. 115
R2 0.085
R2 Adj. 0.060
AIC 3561.8
BIC 3575.5
Log.Lik. -1775.898
RMSE 1231384.21
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

TABLA 3

Regresion: modelo 3
&nbsp;apropiacion (II)
(Intercept) 597873.937
(475236.206)
democracia 1259930.321
(831624.493)
corrupcion -24905.733*
(11468.073)
poblacion 0.001
(0.001)
Ningresos2 181121.298
(428253.870)
Ningresos3 193988.750
(414611.881)
Ningresos4 71691.853
(598965.388)
Num.Obs. 115
R2 0.088
R2 Adj. 0.037
AIC 3567.5
BIC 3589.4
Log.Lik. -1775.727
RMSE 1229558.66
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

ANOVA Y PRUEBAS

Column {data-width=500}

Comparación de modelos (ANOVA)

La prueba ANOVA permite comparar los modelos anidados (Modelo 1, Modelo 2 y Modelo 3) y evaluar si la incorporación de nuevas variables (corrupción y número de ingresos económicos) mejora significativamente el ajuste del modelo.

Analysis of Variance Table

Model 1: kilos_totales ~ democracia + poblacion
Model 2: kilos_totales ~ democracia + corrupcion + poblacion
Model 3: kilos_totales ~ democracia + corrupcion + poblacion + Ningresos
  Res.Df        RSS Df  Sum of Sq     F   Pr(>F)   
1    112 1.8642e+14                                
2    111 1.7438e+14  1 1.2040e+13 7.479 0.007298 **
3    108 1.7386e+14  3 5.1664e+11 0.107 0.955851   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

AIC

    Modelo      AIC
1 Modelo 1 3567.473
2 Modelo 2 3561.795
3 Modelo 3 3567.454

MEDIA

[1] 1.630541e-10
[1] -3.823041e-11
[1] 7.058371e-11

HOMOCEDASTICIDAD


    studentized Breusch-Pagan test

data:  reg1
BP = 0.4172, df = 2, p-value = 0.8117

    studentized Breusch-Pagan test

data:  reg2
BP = 5.8725, df = 3, p-value = 0.118

    studentized Breusch-Pagan test

data:  reg3
BP = 6.4857, df = 6, p-value = 0.371

NO MULTICOLINEALIDAD

democracia  poblacion 
  1.035584   1.035584 
democracia corrupcion  poblacion 
  2.363242   2.291007   1.049718 
               GVIF Df GVIF^(1/(2*Df))
democracia 2.823366  1        1.680287
corrupcion 3.410505  1        1.846755
poblacion  1.067824  1        1.033355
Ningresos  3.618314  3        1.239037

NORMALIDAD DE RESIDUOS


    Shapiro-Wilk normality test

data:  reg1$residuals
W = 0.32187, p-value < 2.2e-16

    Shapiro-Wilk normality test

data:  reg2$residuals
W = 0.4405, p-value < 2.2e-16

    Shapiro-Wilk normality test

data:  reg3$residuals
W = 0.44186, p-value < 2.2e-16

COOK’S DISTANCE

   dfb.1_ dfb.dmcr dfb.pblc dffit cov.r cook.d  hat
31  FALSE    FALSE     TRUE  TRUE  TRUE   TRUE TRUE

VALORES ESTANDARIZADOS


Call:
lm(formula = scale(kilos_totales) ~ scale(democracia) + scale(corrupcion) + 
    scale(poblacion), data = DATA)

Residuals:
    Min      1Q  Median      3Q     Max 
-0.9464 -0.3519 -0.2146  0.0824  6.4449 

Coefficients:
                  Estimate Std. Error t value Pr(>|t|)   
(Intercept)       -0.00997    0.09449  -0.106   0.9162   
scale(democracia)  0.24903    0.15198   1.639   0.1041   
scale(corrupcion) -0.37238    0.13451  -2.768   0.0066 **
scale(poblacion)   0.12761    0.07726   1.652   0.1014   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.9694 on 111 degrees of freedom
  (56 observations deleted due to missingness)
Multiple R-squared:  0.085, Adjusted R-squared:  0.06027 
F-statistic: 3.437 on 3 and 111 DF,  p-value: 0.0194

Column {data-width=500}

LINEALIDAD REG 1

LINEALIDAD REG 2

LINEALIDAD REG 3

HOMOCEDASTICIDAD REG 1

HOMOCEDASTICIDAD REG 2

### HOMOCEDASTICIDAD REG 3

Gráfico - V.I REG 1

Gráfico - V.I REG 2

Gráfico - V.I REG 3

Modelo con coeficientes estandarizados

Regresion: modelo con coeficientes estandarizados
&nbsp;Voto estandarizado
(Intercept) -0.010
(0.094)
scale(democracia) 0.249
(0.152)
scale(corrupcion) -0.372**
(0.135)
scale(poblacion) 0.128
(0.077)
Num.Obs. 115
R2 0.085
R2 Adj. 0.060
AIC 325.1
BIC 338.9
Log.Lik. -157.568
F 3.437
RMSE 0.95
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

Regresión logística binaria

Column {data-width=500}

Planteamiento del modelo logístico

En estos modelos la variable dependiente es ingreso_alto (ingreso_alto), que toma el valor 1 si el país pertenece al grupo de ingreso alto y 0 en caso contrario. El objetivo es evaluar cómo las incautaciones de drogas y las variables políticas y demográficas se asocian a la probabilidad de que un país sea de ingreso alto.

Se estiman tres especificaciones:

  • Modelo I (H1): kilos_totales + población
  • Modelo II (H2): kilos_totales + democracia + población
  • Modelo III (H3): kilos_totales + democracia + corrupción + población
[1] 1    2    3    4    <NA>
Levels: 1 2 3 4

Regresión 1


Call:
glm(formula = h1, family = binomial, data = DATA)

Coefficients:
                Estimate Std. Error z value Pr(>|z|)  
(Intercept)    4.958e-01  1.990e-01   2.491   0.0127 *
kilos_totales -1.519e-07  1.543e-07  -0.985   0.3249  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 153.95  on 114  degrees of freedom
Residual deviance: 152.90  on 113  degrees of freedom
  (56 observations deleted due to missingness)
AIC: 156.9

Number of Fisher Scoring iterations: 4

Column {data-width=500}

Tabla regresión 1

Regresión Logística
Drogas por nivel de ingresos
(Intercept) 0.496*
(0.199)
kilos_totales -0.000
(0.000)
Num.Obs. 115
AIC 156.9
BIC 162.4
Log.Lik. -76.450
RMSE 0.49
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

H1


Call:
glm(formula = h1, family = binomial, data = DATA)

Coefficients:
                Estimate Std. Error z value Pr(>|z|)  
(Intercept)    5.078e-01  2.055e-01   2.471   0.0135 *
kilos_totales -1.465e-07  1.548e-07  -0.947   0.3438  
poblacion     -2.378e-10  9.980e-10  -0.238   0.8116  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 153.95  on 114  degrees of freedom
Residual deviance: 152.84  on 112  degrees of freedom
  (56 observations deleted due to missingness)
AIC: 158.84

Number of Fisher Scoring iterations: 4

H2


Call:
glm(formula = h2, family = binomial, data = DATA)

Coefficients:
                Estimate Std. Error z value Pr(>|z|)    
(Intercept)   -1.432e+00  5.512e-01  -2.598  0.00939 ** 
kilos_totales -1.245e-07  1.588e-07  -0.784  0.43302    
democracia     3.446e+00  9.264e-01   3.719  0.00020 ***
poblacion      5.039e-10  1.033e-09   0.488  0.62581    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 153.95  on 114  degrees of freedom
Residual deviance: 137.10  on 111  degrees of freedom
  (56 observations deleted due to missingness)
AIC: 145.1

Number of Fisher Scoring iterations: 4

H3


Call:
glm(formula = h3, family = binomial, data = DATA)

Coefficients:
                Estimate Std. Error z value Pr(>|z|)    
(Intercept)   -2.725e+00  7.323e-01  -3.721 0.000199 ***
kilos_totales  5.423e-08  1.610e-07   0.337 0.736170    
democracia    -3.027e-01  1.378e+00  -0.220 0.826112    
corrupcion     7.899e-02  2.319e-02   3.407 0.000657 ***
poblacion     -2.446e-10  1.048e-09  -0.233 0.815534    
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 153.95  on 114  degrees of freedom
Residual deviance: 121.94  on 110  degrees of freedom
  (56 observations deleted due to missingness)
AIC: 131.94

Number of Fisher Scoring iterations: 5

TABLA - Regresión Logísticas (Coeficientes Exponenciados)

Regresión Logísticas (Coeficientes Exponenciados)
&nbsp;Adhesión (I) &nbsp;Adhesión (II) &nbsp;Adhesión (III)
(Intercept) 1.662* 0.2389** 0.06557***
[1.116, 2.505] [0.07781, 0.6853] [0.01396, 0.2533]
kilos_totales 1.000 1.0000 1.00000
[1.000, 1.000] [1.00000, 1.0000] [1.00000, 1.0000]
poblacion 1.000 1.0000 1.00000
[1.000, 1.000] [1.00000, 1.0000] [1.00000, 1.0000]
democracia 31.3642*** 0.73880
[5.45856, 210.9681] [0.04728, 10.9389]
corrupcion 1.08220***
[1.03746, 1.1369]
Num.Obs. 115 115 115
AIC 158.8 145.1 131.9
BIC 167.1 156.1 145.7
Log.Lik. -76.421 -68.550 -60.972
RMSE 0.49 0.46 0.43
+ p < 0.1, * p < 0.05, ** p < 0.01, *** p < 0.001

Clusters

Column {data-width=500}

PAM

En esta sección se aplica el método PAM usando la distancia de Gower para agrupar países según sus niveles de incautaciones, democracia, corrupción y población.

poblacion democracia corrupcion kilos_totales pam
Afghanistan 41454761 0.073 20 4.558808e+06 1
Albania 2745972 0.507 37 2.357985e+03 2
Algeria 46164219 0.265 36 5.004563e+04 3
Angola 36749906 0.330 33 1.399334e+04 3
Argentina 45538401 0.838 37 3.406357e+05 4
Armenia 2964300 0.635 47 3.249862e+01 5
Australia 26652777 0.855 75 4.667940e+04 6
Austria 9131761 0.846 71 5.270837e+03 6
Azerbaijan 10153958 0.187 23 4.389029e+03 1
Belarus 9178298 0.157 37 1.149429e+03 3
Belgium 11787423 0.898 73 1.948574e+05 6
Benin 14111034 0.493 43 7.668199e+03 2
Bhutan 786385 0.540 68 1.977725e+02 5
Bosnia and Herzegovina 3185073 0.504 35 1.314814e+03 2
Botswana 2480244 0.556 59 1.361430e+03 5
 [1] "Australia"     "Benin"         "Canada"        "El Salvador"  
 [5] "Guinea-Bissau" "Mali"          "Niger"         "Pakistan"     
 [9] "Senegal"       "Singapore"     "Slovakia"     
  pam  poblacion democracia corrupcion kilos_totales
1   1   38267469  0.2658750   23.18750     312604.28
2   2   44817311  0.5065217   33.52174     179567.06
3   3   32373572  0.2540714   36.07143     129168.17
4   4   26746235  0.7333158   43.26316     318150.22
5   5    9623081  0.5661111   53.00000      31516.09
6   6   47004365  0.8403889   67.27778     119848.73
7   7 1424389798  0.2235000   40.50000    1560867.63
8   8   13063432  0.8395833   81.75000      18260.01
9   9   14384845  0.5215000   23.00000    8692696.37
  pam  poblacion democracia corrupcion kilos_totales
5   5    9623081  0.5661111   53.00000      31516.09
8   8   13063432  0.8395833   81.75000      18260.01
9   9   14384845  0.5215000   23.00000    8692696.37
4   4   26746235  0.7333158   43.26316     318150.22
3   3   32373572  0.2540714   36.07143     129168.17
1   1   38267469  0.2658750   23.18750     312604.28
2   2   44817311  0.5065217   33.52174     179567.06
6   6   47004365  0.8403889   67.27778     119848.73
7   7 1424389798  0.2235000   40.50000    1560867.63
[1] 0
 [1] "Australia"     "Benin"         "Canada"        "El Salvador"  
 [5] "Guinea-Bissau" "Mali"          "Niger"         "Pakistan"     
 [9] "Senegal"       "Singapore"     "Slovakia"     
[1] 11

AGNES (clustering jerárquico aglomerativo)

Aquí se utiliza un método jerárquico aglomerativo (AGNES) con enlace de Ward para identificar grupos de países similares.

poblacion democracia corrupcion kilos_totales agnes
Afghanistan 41454761 0.073 20 4.558808e+06 1
Albania 2745972 0.507 37 2.357985e+03 1
Algeria 46164219 0.265 36 5.004563e+04 1
Angola 36749906 0.330 33 1.399334e+04 1
Argentina 45538401 0.838 37 3.406357e+05 2
Armenia 2964300 0.635 47 3.249862e+01 2
Australia 26652777 0.855 75 4.667940e+04 3
Austria 9131761 0.846 71 5.270837e+03 3
Azerbaijan 10153958 0.187 23 4.389029e+03 1
Belarus 9178298 0.157 37 1.149429e+03 1
Belgium 11787423 0.898 73 1.948574e+05 3
Benin 14111034 0.493 43 7.668199e+03 1
Bhutan 786385 0.540 68 1.977725e+02 2
Bosnia and Herzegovina 3185073 0.504 35 1.314814e+03 1
Botswana 2480244 0.556 59 1.361430e+03 2

AGNES - PAÍSES

 [1] "Benin"      "Costa Rica" "Czechia"    "Guyana"     "Liberia"   
 [6] "Lithuania"  "Malawi"     "Portugal"   "Singapore"  "Spain"     
[11] "Sri Lanka"  "Zambia"    
  agnes poblacion democracia corrupcion kilos_totales
1     1  88497801  0.3627143   31.07143     554686.94
2     2  20984573  0.6973056   49.05556     213340.09
3     3  37398321  0.8593913   76.47826      61277.28

DIANA (clustering jerárquico divisivo)

Finalmente, se aplica el método jerárquico divisivo (DIANA) para explorar otra forma de segmentar a los países según sus características.

poblacion democracia corrupcion kilos_totales diana
Afghanistan 41454761 0.073 20 4.558808e+06 1
Albania 2745972 0.507 37 2.357985e+03 2
Algeria 46164219 0.265 36 5.004563e+04 2
Angola 36749906 0.330 33 1.399334e+04 2
Argentina 45538401 0.838 37 3.406357e+05 3
Armenia 2964300 0.635 47 3.249862e+01 2
Australia 26652777 0.855 75 4.667940e+04 3
Austria 9131761 0.846 71 5.270837e+03 3
Azerbaijan 10153958 0.187 23 4.389029e+03 2
Belarus 9178298 0.157 37 1.149429e+03 2
Belgium 11787423 0.898 73 1.948574e+05 3
Benin 14111034 0.493 43 7.668199e+03 2
Bhutan 786385 0.540 68 1.977725e+02 3
Bosnia and Herzegovina 3185073 0.504 35 1.314814e+03 2
Botswana 2480244 0.556 59 1.361430e+03 3
character(0)

Column {data-width=500}

PAM - Número de clusters

### PAM SILHOUTTE

AGNES - Número de clusters

AGNES - DENDOGRAMA

AGNES - SILHOUETTE

DIANA - DENDOGRAMA

DIANA - SILHOUETTE

Conclusiones

Row

Síntesis de resultados

  • Las incautaciones de drogas están fuertemente concentradas en pocos países y muestran una alta asimetría, lo que evidencia que el narcotráfico no se distribuye de manera homogénea a nivel global.

  • El Modelo 2 (democracia, corrupción y población) ofrece el mejor ajuste, indicando que las condiciones institucionales y el tamaño poblacional son más relevantes que la categoría de ingreso para explicar las incautaciones.

  • Los coeficientes estandarizados permiten identificar qué variables tienen mayor peso en el fenómeno, independientemente de la escala de medición.

  • La regresión binomial negativa confirma la presencia de sobredispersión, típica en datos de criminalidad, y complementa el análisis lineal al modelar directamente la naturaleza de conteo de las incautaciones.

  • La regresión logística muestra cómo democracia, corrupción, población e incautaciones se relacionan con la probabilidad de que un país pertenezca al grupo de ingresos altos, permitiendo identificar factores que aumentan o reducen esa probabilidad.

  • Los métodos de clúster revelan perfiles diferenciados de países según sus niveles de incautaciones, características institucionales y población, mostrando que existen patrones heterogéneos que no responden a una única configuración.